自2019年底Covid-19出现以来，Covid-19已成为人工智能（AI）社区的积极研究主题。最有趣的AI主题之一是COVID-19对医学成像的分析。 CT扫描成像是有关该疾病的最有用的工具。这项工作是第二次COV19D竞赛的一部分，在其中设定了两个挑战：COVID-19检测和COVID-19的严重性检测。对于从CT扫描的COVID-19检测，我们提出了具有Densenet-161模型的2D卷积块的集合。在这里，每个具有Densenet-161体系结构的2D卷积块是分别训练的，在测试阶段，集合模型基于其概率的平均值。另一方面，我们提出了一个卷积层的集合，该集合具有用于COVID-19的严重程度检测的成立模型。除了卷积层外，还使用了三个成立变体，即Inception-V3，Inception-V4和Inception-Resnet。我们提出的方法在第二COV19D竞赛的验证数据中的表现优于基线方法，分别为COVID-19检测和COVID-19的严重性检测分别为11％和16％。
translated by 谷歌翻译
在本文中，我们将分析如何在某些非线性模型中计算每个输入值对其汇总输出的贡献。提出了回归和分类应用，以及有关深神经网络的相关算法。所提出的方法合并了文献中目前存在的两种方法：综合梯度和深泰勒分解。与深置和深度的外形相比，它提供了自然选择使用模型所特有的参考点。
translated by 谷歌翻译